論文の概要: Identifying Mechanical Models through Differentiable Simulations

• arxiv url: http://arxiv.org/abs/2005.05410v1
• Date: Mon, 11 May 2020 20:19:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:56:45.257492
• Title: Identifying Mechanical Models through Differentiable Simulations
• Title（参考訳）: 微分シミュレーションによる力学モデル同定
• Authors: Changkyu Song and Abdeslam Boularias
• Abstract要約: 本稿では,未知の物体を非包括的動作によって操作する新しい手法を提案する。 提案手法は、微分可能な物理モデルの最近の進歩を利用して、操作対象の未知の力学的性質を同定する。
• 参考スコア（独自算出の注目度）: 16.86640234046472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a new method for manipulating unknown objects through a sequence of non-prehensile actions that displace an object from its initial configuration to a given goal configuration on a flat surface. The proposed method leverages recent progress in differentiable physics models to identify unknown mechanical properties of manipulated objects, such as inertia matrix, friction coefficients and external forces acting on the object. To this end, a recently proposed differentiable physics engine for two-dimensional objects is adopted in this work and extended to deal forces in the three-dimensional space. The proposed model identification technique analytically computes the gradient of the distance between forecasted poses of objects and their actual observed poses and utilizes that gradient to search for values of the mechanical properties that reduce the reality gap. Experiments with real objects using a real robot to gather data show that the proposed approach can identify the mechanical properties of heterogeneous objects on the fly.
• Abstract（参考訳）: 本稿では, 物体を初期配置から平坦面上の所定の目標配置に変位させる無理解動作の列を通して未知の物体を操作する新しい手法を提案する。 提案手法は, 微分可能な物理モデルの最近の進歩を利用して, 慣性行列, 摩擦係数, 物体に作用する外力など, 操作対象の未知の力学特性を同定する。 この目的のために、最近提案された二次元物体に対する微分可能な物理エンジンが本研究で採用され、三次元空間における力を扱うように拡張された。 提案するモデル同定手法は,物体の予測されたポーズと実際のポーズとの間の距離の勾配を解析的に計算し,その勾配を利用して現実のギャップを減少させる機械的特性の値を求める。 実物体を用いた実ロボットによるデータ収集実験により,提案手法がフライ上の異種物体の力学特性を同定できることが確認された。

関連論文リスト

• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  我々は、微分可能レンダリングと微分可能物理シミュレーションの両方を活用する最初のアプローチであるPhyReconを導入し、暗黙的な表面表現を学習する。 PhyReconは、ニューラルな暗黙の表現に基づいて構築された、新しい微分可能な粒子ベースの物理シミュレータを備えている。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• One-shot backpropagation for multi-step prediction in physics-based system identification -- EXTENDED VERSION [0.0]
  本稿では,物理および構造的洞察を直接バックプロパゲーションに基づく学習アルゴリズムに反映する,力学系の同定のための物理に基づく枠組みを提案する。 得られたアルゴリズムを用いて, 宇宙デブリの未知の慣性行列を同定し, 推定パラメータの物理的付着を捉える手法の信頼性を示す。
  論文  参考訳（メタデータ） (2023-10-31T15:56:17Z)
• Physics-Based Rigid Body Object Tracking and Friction Filtering From RGB-D Videos [8.012771454339353]
  本稿では,RGB-D画像から剛体物体を3次元追跡し,物体の物理的特性を推定する手法を提案する。 実世界のデータセット上で、我々のアプローチを実証し、評価する。
  論文  参考訳（メタデータ） (2023-09-27T14:46:01Z)
• Predicting Physical Object Properties from Video [28.19031441659854]
  本稿では,映像から物体の物理的特性を推定する手法を提案する。 提案手法は物理エンジンと補正推定器から構成される。 いくつかのシミュレーション2次元シナリオにおいて,学習した手法のより高速でより堅牢な収束を実証する。
  論文  参考訳（メタデータ） (2022-06-02T08:46:22Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes [9.119424247289857]
  微分物理学は、シーンの理解と相互作用の推論のためのコンピュータとロボティクスの強力なツールである。 既存のアプローチは、前もって単純な形状や形状のオブジェクトに限られていることが多い。
  論文  参考訳（メタデータ） (2021-11-30T11:56:24Z)
• Visual Vibration Tomography: Estimating Interior Material Properties from Monocular Video [66.94502090429806]
  物体の内部の物質特性は、人間の目には見えないが、表面で観察される動きを決定する。 本研究では,物体の表面振動の単分子ビデオから物体の異種材料特性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-06T18:05:27Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Learning to Slide Unknown Objects with Differentiable Physics Simulations [16.86640234046472]
  本稿では,未知のオブジェクトを初期設定から目標設定にプッシュする手法を提案する。 提案手法は、最近の微分可能な物理モデルの進歩を利用して、押された物体の未知の力学的性質を学習する。
  論文  参考訳（メタデータ） (2020-05-11T21:53:33Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。